Comparison of statistical and soft computing methods for estimation of compressive strength of fiber reinforced concretes
Elyaf takviyeli betonların basınç dayanımı tahmini için istatistiksel ve esnek hesaplama yöntemlerinin karşılaştırılması
- Tez No: 771284
- Danışmanlar: PROF. DR. KASIM MERMERDAŞ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Bu çalışma, çelik fiber takviyeli betonun basınç dayanımını tahmin etmek için esnek hesaplama ve istatistiksel modeller sunmaktadır. Model, matris karışımı için çimento içeriği (C), su içeriği (W) ile kaba agrega içeriği (CA), ince agrega içeriği (FA), maksimum agrega boyutu (Dmax), çelik lif hacmi (Vf), lif uzunluğu (Lf), lif çapı (Df), süper akışkanlaştırıcı içeriği (SP) gibi faktörler dahil olmak üzere dokuz farklı parametre incelenmektedir. 28 günlük basınç dayanımını tahmin etmek için bir yapay sinir ağı (YSA), gen ekspresyon programlaması (GEP), rastgele orman yöntemi (RFM), LASSO regresyon ve çoklu doğrusal regresyon (MLR) yöntemleri kullanılır. Veri seti, farklı değişkenleri kapsayacak şekilde mevcut literatürden 204 deneysel veri örneği toplanarak oluşturulmuştur. Bu modeller, belirleyicilik katsayısı (R2) ve ortalama karesel hata (RMSE) gibi istatistiksel testler aracılığıyla karşılaştırılıp ve değerlendirilmiştir. İstatistiksel analizler, ANN, GEP ve RFM modellerinin çelik tel donatılı betonun basınç dayanımını tahmin etmede faydalı araçlar olabileceğini ortaya koymuştur. Ayrıca sonuçlar, ANN, GEP ve RFM için önerilen formülün LASSO ve MLR'den daha güvenilir ve doğru tahmin sağladığını göstermiştir.
Özet (Çeviri)
This study presents soft computing and statistical models for the prediction of the compressive strength of steel fiber-reinforced concrete. The model examines nine different parameters for the matrix mixture, including: (C) cement content; (W) water content; (CA) coarse aggregate content; (FA) fine aggregate content; (Dmax) maximum size of aggregate; (Vf) volume of steel fiber; (Lf) length of fiber; (Df) diameter of fiber; and (SP) superplasticizer content. An artificial neural network (ANN), gene expression programming (GEP), random forest method (RFM), LASSO regression, and multiple linear regression (MLR) methods were used to predict the 28-day compressive strength. The data set was formed by collecting 204 experimental data samples from available literature to cover different variables. These models are compared and evaluated through statistical tests such as coefficient of determination (R2) and root mean squared error (RMSE). Statistical analysis and comparisons revealed that ANN, GEP, and RFM models can be useful tools in predicting the compressive strength of steel fiber-reinforced concrete. The results also indicate that the proposed formula for ANN, GEP, and RFM provides a more reliable and accurate prediction ability than the LASSO and MLR methods.
Benzer Tezler
- Disk keskilere ait kesme kuvveti tahmini için bir bulanık mantık modeli
A fuzzy logic model to estimate cutting force of the CCS disc cutter
ALİ CAN KÖSE
Yüksek Lisans
Türkçe
2019
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMÜR ACAROĞLU ERGÜN
- Zamanla değişen kanalların kestirimi ve uyarlamalı kodlama
The Estimation of time varying channels and adaptive coding
CÜNEYT DELİKTAŞ
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT AYGÖLÜ
- Bazı mühendislik uygulamalarında kullanılan esnek hesaplama yöntemlerinin karşılaştırılması
Comparision of soft computing methods in some engineering applications
SÜLEYMAN HİLMİ ÇAKIR
- Bulanık kümeleme yöntemlerinin mevsimsel bulanık zaman serilerinde performanslarının karşılaştırılması: Hava kirliliği verilerine uygulama
Comparision performances of fuzzy clustering methods in seasonal fuzzy time series: Application to air pollution prediction
ERTAN BEKAR
Yüksek Lisans
Türkçe
2017
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. NEVİN GÜLER DİNCER
YRD. DOÇ. DR. KURTULUŞ BOZKURT
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU